JURNAL TEKNOINFO

Volume 17, Nomor 1, Januari 2023, Page 219-227

ISSN: 1693-0010(Print), ISSN: 2615-224X(Online)
Available online at https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index

KOMPARASI ALGORITMA KLASIFIKASI DATAMINING UNTUK

PREDIKSI MINAT PENCARI KERJA

Nur Widiastuti1), Arief Hermawan2), Donny Avianto3)

1,2
Magister Teknologi Informasi, Universitas Teknologi Yogyakarta
3
Program Studi Informatika, Universitas Teknologi Yogyakarta
1,2,3
Jl. Ring Road Lor, Yogyakarta
Email: widy.jogja@gmail.com, 2ariefdb@uty.ac.id, 3 donny@uty.ac.id
1

Abstract
The impact of the COVID-19 pandemic has made the unemployment rate in Central Java Province increase. Dinas
Tenaga Kerja of Central Java Province created an innovation, namely an application to bring together job seekers and
employers, namely the e-Makaryo application or bursakerja.jatengprov.go.id, but the application has not been able to
analyze how many numbers there are. job seekers who are interested in working abroad and job seekers who are not
interested in working abroad, while this is urgently needed by the government to prepare job vacancies as needed. In
connection with this, the author will analyze the data of job seekers who are interested in working abroad using a rapid
miner application with the Naive Bayes algorithm classification method and Decision Tree.UK classification error is
0.36%. While the accuracy of performance using the decision tree algorithm is 68.59% with the number of job seekers
who are interested in working abroad as many as 2521 and those who are not interested in working abroad as many as
5504. While the results of the classification error are 31.41%.

Keyword: algorithm, classification, job seekers, naïve bayes, decision tree.

Abstrak
Dampak pandemi covid 19 menjadikan angka pengangguran di Provinsi Jawa Tengah semakin meningkat. Dinas
Tenaga Kerja Provinsi Jawa Tengah menciptakan inovasi yakni sebuah aplikasi untuk mempertemukan pencari kerja
dan pemberi kerja, yakni aplikasi e-Makaryo atau bursakerja.jatengprov.go.id, namun pada aplikasi tersebut belum
dapat menganalisa berapa banyak jumlah pencari kerja yang berminat kerja ke luar negeri dan pencari kerja yang tidak
berminat bekerja ke luar negeri, sedangkan hal ini sangat dibutuhkan oleh pemerintah untuk menyiapkan lowongan
kerja sesuai kebutuhan. Sehubungan dengan hal tersebut penulis akan melakukan analisa data pencari kerja yang
berminat bekerja keluar negeri menggunakan aplikasi rapid miner dengan metode klasifikasi algoritma Naive Bayes dan
Decision Tree. Hasil accuracy performance pada klasifikasi data pencari kerja menggunakan algoritma naïve bayes
adalah sebesar 99,64% dengan hasil yang berminat bekerja keluar negeri sebanyak 2513 orang dan yang tidak berminat
bekerja ke luar negeri sebanyak 5483 orang, untuk classification error sebesar 0,36 %. Sedangkan accuracy
performance menggunakan algoritma decision tree adalah 68.59 % dengan jumlah pencari kerja yang berminat bekerja
ke luar negeri sebanyak 2521 dan yang tidak berminat bekerja keluar negeri sebanyak 5504. Sedangkan hasil
classification errornya sebesar 31,41%.

Kata Kunci: algoritma, klasifikasi, pencari kerja, naïve bayes, decision Tree.

1. PENDAHULUAN
Perkembangan teknologi di era digital saat ini semakin canggih dan menuntut sistem pemerintahan juga harus
dapat mengikuti perkembangan jaman agar dapat memberikan kemudahan pada pengguna dalam mencari informasi
yang lengkap untuk dapat mengolah data-data yang ada. Di era digital ini ada hal yang masih menjadi tugas penting
bagi pemerintah yakni angka pengangguran yang masih tinggi, hal tersebut dikarenakan kurangkan infromasi lowongan
pekerjaan [1]. Badan Pusat Statistik (BPS) merilis data jumlah angkatan kerja pada bulan Agustus 2021 adalah sejumlah
18,96 juta orang, angka tersebut sudah bertambah 213 ribu orang dibandingkan dengan jumlah angkatan kerja pada
bulan Agustus 2020. Seiring dengan kenaikan jumlah angkatan kerja tersebut, Tingkat iPartisipasi Angkatan Kerja
(TPAK) ada sedikit peningkatan menjadi i69,58 % (persen). Tingkat pengangguran terbuka (TPT) pada bulan Agustus

219
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

2021 sebesar i5,95 persen atau sebanyak i1,13 juta orang, hal itu berarti menurun sebesar i0,53 % (persen) dibanding
pada bulan Agustus 2020 [2].
Adapun jumlah penduduk sejak bulan Agustus 2020 yang telah bekerja sejumlah 17,84 juta orang, artinya terjadi
peningkatan sebanyak i299 ribu orang. Jumlah tenaga kerja menurun dibanding pada bulan Agustus 2020, diantaranya
meliputi sektor bidang Transportasi dan sektor Pergudangan (0,11 persen poin), Pertanian (2,54 persen poin), serta Jasa
Lainnya (0,33 persen poin). Dengan melihat data angkatan kerja dari Badan Pusat Statistik diatas maka Dinas Tenaga
Kerja Prov. Jateng menciptakan inovasi yakni sebuah aplikasi untuk menekan angka pengangguran dan sebagai sarana
untuk memudahkan komunikasi para pencari kerja dan pemberi kerja, yakni aplikasi e-Makaryo atau
bursakerja.jatengprov.go.id. Aplikasi e-makaryo ini adalah pengembangan dari website bursa kerja online (BKO) yang
telah dilaunching sejak tahun 2005. Aplikasi ini dibuat dengan alur yang mudah agar bias dipahami oleh masyarakat
pencari kerja. Kepala Dinas Tenaga Kerja Prov. Jateng menjelaskan, E-Makaryo adalah salah satu upaya agar para
pencari kerja tetap terhubung dengan pemberi kerja atau perusahaan. Dengan adanya e-Makaryo ini, ia berharap dapat
menekan angka pengangguran di Provinsi Jawa Tengah [3].
Beberapa penilitian terdahulu yang pernah dilakukan oleh peneliti lain terkait data mining untuk prediksi antara
lain, Penelitian oleh (Hakam, Retno, Wawan, 2020) dengan judul Penerapan Metode Naive Bayes Untuk Klasifikasi
Pelanggan, yakni tentang klasifikasi pelanggan menggunakan metode naïve bayes. Data latih dan data uji yang
digunakan untuk klasifikasi berjumlah 75 data latih dan 25 data uji. Berdasarkan master pelanggan yang dijadikan data
latih, telah berhasil mengklasifikasikan 23 data dari 25 data yang diuji. Sehingga berhasil memprediksi pelanggannya
dengan nilai precision mencapai 100%, nilai recall mencapai 91%, nilai accuracy mencapai 92%[4]. Penelitian lain
oleh (senna hendrian, 2018) dengan judul Algoritma klasifikasi data mining untuk memprediksi siswa dalam
memperoleh bantuan dana pendidikan yakni tentang Analisa Bantuan Dana Pendidikan bagi Siswa yang dianggap
kurang mampu secara strata ekonomi menggunakan Algoritma Klasifikasi Dataminig yaitu Algoritma C4.5. Sampel
data diambil dari SMA Bina Bangsa Mandiri yang beralamat di Kecamatan Gunungputri Kab. Bogor. Dari hasil
pengujian digunakan tes Cros Validation dan Confusion Matrix dan Kurva ROC. Hasil yang diperoleh untuk nilai
Accuracy Algoritma C4.5 adalah sebesar 98,80%, nilai untuk Precision sebesar 98,02%, dan nilai untuk Sensitivity atau
Recall sebesar 99,00%. Dengan demikian Algoritma C4.5 merupakan algoritma dan teknik terbaik untuk Memprediksi
Siswa dalam memperoleh Bantuan Dana Pendidikan[5]. Penelitian lain oleh (Riski Annisa, 2019) dengan judul Analisis
Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung, yakni tentang perbandingan
beberapa algoritma klasifikasi yaitu Decision Tree, Naïve Bayes, k-Nearest Neighbour, Random Forest, dan Decison
Stump dengan menggunakan uji parametrik dengan t-test agar dapat menghasilkan perbandingan metode yang lebih
baik untuk prediksi penderita penyakit jantung, adapun data set yang digunakan adalah laki-laki penderita Penyakit
jantung. Hasil penelitian mendapatkan nilai akurasi sebesar tertinggi sebesar 80.38%. Hasil penelitian menunjukkan
bahwa algoritma random forest dan decision stump melakukan performa terbaik dalam pengklasifikasi di dataset, C4.5
dan Naïve bayes juga tampil baik, kemudian k-NN merupakan algoritma yang kurang baik diimplementasikan dalam
dataset[6]. Penelitian lainnya oleh (Adhitya, Kurniyatul dan Khadijah, 2021) dengan judul Analisis Perbandingan
Algoritma Decision Tree, kNN, dan Naïve Bayes untuk Prediksi Kesuksesan Start-up, yakni tentang pengklasifikasian
start-up sukses dan gagal, sehingga nantinya dapat digunakan untuk melihat faktor-faktor yang paling mempengaruhi
keberhasilan start-up, dan juga dapat memprediksi keberhasilan suatu start-up. Di antara banyaknya metode klasifikasi
dalam data mining, algoritma Decision Tree, kNN, dan Naïve Bayes merupakan algoritma yang penulis pilih untuk
melakukan klasifikasi terhadap 923 record data start-up yang telah didapatkan sebelumnya. Hasil pengujian
menggunakan cross validation dan T-test menunjukkan algoritma Decision Tree merupakan algoritma paling tepat
untuk melakukan klasifikasi dalam studi kasus ini. Hal ini dibuktikan dengan nilai akurasi yang diperoleh oleh
algoritma Decision Tree lebih besar diantara algoritma lainnya, yaitu sebesar 79,29%, sedangkan algoritma kNN
memiliki nilai akurasi 66,69%, dan Naive Bayes sebesar 64,21%[7]. Penelitian selanjutnya oleh (Rado, Laradea dan
Irma, 2020) dengan judul Klasifikasi Data Mining Untuk Seleksi Penerimaan Calon Pegawai Negeri Sipil Tahun 2017
Menggunakan Metode Naïve Bayes, yakni tentang Klasifikasi seleksi penerimaan Calon Pegawai Negeri sipil (CPNS)
2017. Metode yang digunakan adalah metode Naïve Bayes yaitu metode untuk memprediksi berbasis probabilitas.
Penelitian ini bertujun untuk mendapatkan distribusi yang tepat untuk fitur-fitur data kontinu. Dari hasil pengujian yang
dilakukan dengan menggunakan data sebanyak 284 dengan 227 sebagai data training dan 57 sebagai data testing baik
untuk fitur kontinu menggunakan distribusi normal maupun distribusi gamma, akurasi untuk distribusi normal adalah
81% dengan jumlah data yang tepat sebanyak 46 dan yang tidak tepat sebanyak 11. Sedangkan akurasi distribusi
gamma sebesar 70% dengan data yang tepat sebanyak 40 dan data yang tidak tepat sebanyak 17[8].

Pada penelitian ini data pencari kerja yang akan di analisa berjumlah 11.464 baris data sehingga tidak mungkin
untuk memilah data tersebut secara manual, tentunya membutuhkan sebuah metode yang tepat untuk mengolah data
tersebut. Data mining merupakan proses atau metode yang tepat untuk mengolah dan memprediksi data pencari kerja

220
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

dengan jumlah yang sangat banyak. Keuntungan menggunakan data mining, akan lebih mudah untuk memantau dan
mengamati kebiasaan perilaku yang dilakukan oleh pencari kerja, sehingga Dinas Tenaga Kerja Provinsi Jawa Tengah
bisa menyusun strategi yang lebih efektif untuk menyiapkan lowongan kerja sesuai dengan kondisi pencari kerja.
Namun pada aplikasi bursa kerja online (BKO) atau e-makaryo belum dapat menganalisa berapa banyak jumlah
pencari kerja yang berminat kerja ke luar negeri dan pencari kerja yang tidak berminat bekerja ke luar negeri,
sedangkan hal ini sangat dibutuhkan oleh pemerintah untuk menyiapkan lowongan kerja sesuai kebutuhan. Sehubungan
dengan hal tersebut penulis akan melakukan anlisa data pencari kerja yang berminat bekerja keluar negeri menggunakan
aplikasi rapid miner dengan metode klasifikasi algoritma Naive Bayes dan Decision Tree. Hasil analisa tersebut
nantinya akan digunakan sebagai bahan pertimbangan pemerintah dalam menyiapkan lowongan kerja sesuai kebutuhan.

2. METODE PENELITIAN

2.1 Tahapan Penelitian

Ada beberapa tahapan dalam penelitian yang akan dilakukan menggunakan metode Datamining Klasifikasi Algoritma
Naïve Bayes dan Decision Tree dengan software Rapidminer. Jumlah data yang digunakan sebanyak 11.464 baris dan
12 atribut. Adapun alur atau tahapan penelitian sebagai berikut :
1. Menyiapkan dataset,
2. Import ke dalam aplikasi rapidminer,
3. Select attribute,
4. Proses analisa menggunakan operator naïve bayes dan decision tree,
5. Apply model dan performance sehingga di dapatkan hasil accuracy performance.

Gambar 1. Tahapan Penelitian

2.2 Dataset
Dataset yang digunakan dalam penelitian ini adalah data yang asli, data ini didapatkan langsung dari Bursa Kerja
Online Provinsi Jawa Tengah atau e-makaryo. Penelitian ini menggunakan dataset pencari kerja dari website e-Makaryo
Jateng, dimana aplikasi berbasis web tersebut adalah sebuah inovasi Dinas Tenaga Kerja Prov. Jateng untuk
mempertemukan pencari kerja dan penyedia kerja serta memberikan kemudahan kepada pencari kerja untuk
mendapatkan pekerjaan baik di dalam negri maupun ke luar negeri.

221
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

2.3 Variabel (Atribut) Penelitian

Pada penelitian ini jumlah variabel yang akan digunakan terdiri dari 12 atribut yang dipilih dari 16 atribut yang ada
pada dataset. 12 atribut ini telah dipilih berdasarkan atribut yang paling penting karena ada beberapa atribut yang dapat
mewakili beberapa atribut lain seperti nama, jenis kelamin, tanggal lahir dan asal kabupaten. Dari 12 atribut yang
dipilih sebagai label atau class yaitu Minat Kerja LN, sedangkan 11 atribut lainnya sebagai atribut biasa. Adapun
attribute terlihat pada..gambariberikut ini :

Tabel 1. Atribute Dataset Pencari Kerja

Atribut Tipe Data Class

Minat Kerja Luar Negeri (LN) Binominal Class/Label
Tempat Lahir Polynominal Attribute
Tanggal Lahir Date_time Attribute
Usia (Tahun) Integer Attribute
Alamat Polynominal Attribute
Kab/Kota Polynominal Attribute
Kecamatan Polynominal Attribute
Gender Polynominal Attribute
Status Polynominal Attribute
Pendidikan Terakhir Polynominal Attribute
Jurusan Polynominal Attribute
Tahun Lulus Date_time Attribute

2.3 Metode Klasifikasi

a. Klasifikasi adalah kegiatan atau pekerjaan mengelompokkan data atau mempelajari sesuatu menurut ciri-ciri yang
dimilikinya. Ini dapat dilakukan agar setiap objek diberi kategori tertentu. [9]. Klasifikasi adalah pekerjaan yang
melakukan pembuatan sebuah model dengan dasar data latih yang telah disiapkan, selanjutnya dengan model
tersebut akan dilakukan klasifikasi data yang baru, tujuannya adalah agar sistem yang dibuat akan dapat melakukan
pengklasifikasian data terhadap semua data set dengan baik dan benar, selanjutnya keberhasilan hasilnya akan
diukur setelah polanya terbentuk [10]. Adapun tahapan pengklasifikasian pada penelitian ini akan dilakukan
menggunakan 2(dua) algoritma, yakni sebagai berikut :
b. Naïve bayes, merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan
probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan.
Teorema bayes dapat ditulis menggunakan persamaan 1 [11]:

Keterangan :
P(A│B) : Probabilitas A terjadi dengan bukti bahwa B telah terjadi (probabilitas superior)
P(B│A) : Probabilitas B terjadi dengan bukti bahwa A telah terjadi
P(A) : Kesempatan terjadinya A
P(B) : Kesempatan terjadinya B
Teorema Bayes adalah rumus matematika yang digunakan untuk mengetahui probabilitas. Ini dapat digunakan
untuk memprediksi hal-hal seperti apakah akan turun hujan besok, berdasarkan faktor lain seperti suhu, kelembapan,
dan tekanan. Teorema Bayes mengatakan bahwa kita dapat mengetahui seberapa besar kemungkinan sesuatu
didasarkan pada seberapa sering hal itu terjadi di masa lalu [12]. Pada penelitian sebelumnya pernah dilakukan

222
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

penelitian oleh M. Y. Putra and D. I. Putri, 2022 [13] yang bertujuan untuk mengklasifikasi jurusan siswa sekolah
dengan menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor. Data siswa digunakan dalam penelitian
untuk membandingkan akurasi algoritma Naïve Bayes dan algoritma K-Nearest Neighbor menggunkan Aplikasi
Rapidminer. Algoritma Naïve Bayes ternyata lebih akurat dalam mengklasifikasikan kelas dengan jurusan IPA dan
IPS, yang dapat memudahkan pengurus sekolah dalam mengolah data kelas XI. Hasil penelitiannya bahwa dengan
algoritma Naïve Bayes sebesar 81.82% dengan data sebanyak 55 baris data dari 277 baris data, sedangkan analisa
dengan Algoritma K-Nearest Neighbor hasil akurasinya lebih tinggi yakni sebesar 92.73% dengan data yang sama.
Kedua algoritma menghasilkan hasil yang berbeda, dengan algoritma K-Nearest Neighbor lebih akurat. Hal ini
dikarenakan nilai alpha berada di bawah cutoff 0,05 yang berarti tidak terdapat perbedaan yang signifikan antara
kedua algoritma tersebut. Dari analisis tersebut dapat disimpulkan bahwa algoritma K-Nearest Neighbor lebih
akurat dalam mengklasifikasikan jurusan siswa IPA dan IPS di kelas XI. Ini berarti bahwa jurusan siswa akan
didasarkan pada keahlian dan kemampuan mereka, bukan hanya ditentukan oleh kategori mana siswa tersebut
masuk. Penelitian ini diharapkan dapat membantu siswa dalam menentukan jurusan sehingga dan memberikan
manfaat kepada pihak sekolah memcepat kinerja dalam hal penjurusan siswa dan baik serta tepat dalam
pengklasifikasiannya.
c. Decision tree merupakan suatu struktur yang digunakan untuk membantu proses pengambilan keputusan yang terdiri
dari simpul internal, tepi dan simpul daun. Setiap node keputusan disebut tes pada atribut atau subset dari atribut,
dan masing-masing sisi mewakili nilai tertentu atau rentang nilai input atribut [14]. Pengklasifikasi Pohon
Keputusan lebih akurat daripada metode klasifikasi lainnya dalam hal mengidentifikasi item serupa [15]. Decision
tree merupakan teknik model prediksi yang dapat digunakan untuk klasifikasi dan prediksi tugas. Decision tree
menggunakan teknik “membagi dan menaklukkan” untuk membagi ruang pencarian masalah menjadi himpunan
masalah [16] Decision tree adalah algoritma machine learning yang menggunakan seperangkat aturan untuk
membuat keputusan dengan struktur seperti pohon yang memodelkan kemungkinan hasil, biaya sumber daya,
utilitas dan kemungkinan konsekuensi atau resiko.[17].

3. HASIL DAN PEMBAHASAN

Analisa data pencari kerja akan dilakukan menggunakan 2 algoritma yakni lagoritma naïve bayes dan decision tree
menggunakan aplikasi rapid miner. Pertama akan dilakukan impor dataset kedalam aplikasi rapidminer kemudian kita
tentukan label datanya. Label data yang digunakan adalah minat pencari ke luar negeri.

3.1.1 Data Preparation Phase

Untuk melakukan penelitian ini, Anda perlu mengumpulkan data dari sebanyak mungkin orang. Untuk ini, Anda
perlu mengumpulkan informasi dari orang-orang yang telah bepergian ke berbagai negara. Dataset yang akan
digunakan menggunakan format file csv agar tools Rapid Miner lebih mudah untuk membaca file.

3.1.1 Algoritma Naïve Bayes

Pada penelitian ini proses klasifikasi akan menggunakan algoritma naïve bayes dilakukan dengan proses sebagai
berikut, dataset diimpor kedalam rapidminer kemudian dilakukan set attribute yakni untuk memilih atribut mana yang
akan digunakan untuk mendukung penelitian. Kemudian ditambahkan operator set role untuk menentukan label
attribute. Kemudian ditambahkan operator split data, pada tahap ini untuk menentukan berapa jumlah data yang akan
dijadikan data training dan data testing, penulis menggunakan perbandingan 0,7:0,3. Selanjutnya data training akan
diuji menggunakan algoritma naïve bayes, hasil pembentukan model ini dapat diketahui faktor apa saja yang sangat
mempengaruhi peminat kerja ke luar negeri sebuah start-up. Pemodelan klasifikasi menggunakan Algoritma Naïve
Bayes yang dilakukan pada penelitian ini terlihat padaiGambar 2.berikut.

223
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

Gambar 2. Proses klasifikasi menggunakan Algoritma Naïve Bayes

Pada gambar proses diatas, dataset diuji menggunakan algoritma naïve bayes kemudian apply model dan dilanjutkan
proses performance. Berikut ini adalah hasil klasifikasi menggunakan Algoritma Naïve Bayes, terlihat pada..gambar 4
dan..gambar 5.

Gambar 3. Hasil Calssification Error menggunakan Algoritma Naïve Bayes

Hasil Classification error sebesar 0.36%, menandakan pengujian ini sangat kecil kemungkinan kesalahan.

Gambar 4. Hasil Performance Vector

Dari kedua gambar diatas dapat dilihat bahwa nilai accuracy pada klasifikasi data pencari kerja menggunakan algoritma
naïve bayes sangat baik dengan hasil sebesar 99,64% dengan hasil yang berminat bekerja keluar negeri sebanyak 2513
orang dan yang tidak berminat bekerja ke luar negeri sebanyak 5483 orang, sedangkan untuk classification error sebesar
0,36 %.

3.1.1 Algoritma Dicision Tree

Setelah dilakukan pengujian menggunakan algoritma naïve bayes, selanjutnya dilakukan pengujian menggunakan
algoritma dicision tree. Proses Klasifikasi menggunakan algoritma dicision tree dilakukan dengan proses sebagai
berikut, dataset diimpor kedalam rapidminer kemudian dilakukan set attribute yakni untuk memilih atribut mana yang
akan digunakan untuk mendukung penelitian. Kemudian ditambahkan operator set role untuk menentukan label
attribute. Kemudian ditambahkan operator split data, pada tahap ini untuk menentukan berapa jumlah data yang akan

224
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

dijadikan data training dan data testing, penulis menggunakan perbandingan 0,7:0,3. Selanjutnya data training akan
diuji menggunakan algoritma dicision tree, hasil pembentukan model ini dapat diketahui faktor apa saja yang sangat
mempengaruhi peminat kerja ke luar negeri. Pemodelan yang dilakukan pada penelitian klasifikasi datset pencari kerja
menggunakan algoritma Decision Tree terlihat pada Gambar 5 berikut.

Gambar 5. Proses Klasifikasi menggunakan Algoritma Dicision

Pada proses tersebut terlihat bahwa dataset ditentukan atributnya kemudian di lakukan set role untuk menentukan table
kemudian diuji menggunakan algoritma Decision Tree dilanjutkan Apply model dan operator performance, sehingga
akan muncul hasil performance seperti yang terlihat pada gambar 6, sebagai berikut :

Gambar 6. Hasil Pengujian Klasifikasi menggunakan Algoritma Dicision

Setelah melalui rangkaian proses diatas, maka didapatkan hasil performance seperti terlihat pada gambar 7 dan gambar
8 berikut ini.

Gambar 7. Hasil Classification Error menggunakan Algoritma Dicision Tree

225
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

Gambar 7. Hasil Accuracy Performance menggunakan Algoritma Dicision Tree

Hasil Classification error sebesar 31,41%, menandakan pengujian ini kemungkinan banyak terjadi kesalahan.
Sedangkan hasil accuracy performance menggunakan algoritma decision tree adalah 68.59 % dengan jumlah pencari
kerja yang berminat bekerja ke luar negeri sebanyak 2521 dan yang tidak berminat bekerja keluar negeri sebanyak
5504.

4. KESIMPULAN
Berdasarkan hasil penelitian atau analisa dataset pencari kerja yang berminat untuk bekerja di luar negeri dan
pencari kerja yang tidak berminat ke luar negeri menggunakan aplikasi rapidminer dengan metode Klasifikasi dengan
algoritma Naïve Bayes dihasilkan accuracy performance tertinggi sebesar 99,64 %, Class recall sebesar 99,68% dan
classification error sebesar 0,36%, artinya sangat kecil terjadi error, sedangkan accuracy performance menggunakan
algoritma decision tree sebesar 68.59 % dengan jumlah pencari kerja yang berminat bekerja ke luar negeri sebanyak
2521 dan yang tidak berminat bekerja keluar negeri sebanyak 5504 dan hasil classification errornya sebesar 31,41%.
Hal tersebut membuktikan bahwa naïve bayes sangat sesuai untuk mengklasifikasi dataset pencari kerja, hal ini
dapat dibuktikan dari hasil penelitian saat ini yang memiliki tingkat akurasi yang cukup baik. Hasil performace atau
penelitian ini dapat digunakan sebagai acuan pemerintah khususnya di Provinsi Jawa Tengah untuk mempersiapkan
lowongan kerja baik dalam negeri dan di luar negeri.

UCAPAN TERIMAKASIH
Diucapkan terimakasih kepada Allah SWT atas segala karunianya sehingga penulis dapat menyelesaikan jurnal ini,
terimakasih kepada Dosen Magister Teknologi Informasi Universitas Teknologi Yogyakarta dan kepada Admin Jurnal
Teknoinfo atas diterimanya jurnal ini, semoga bermanfaat.

DAFTAR PUSTAKA
[1] Rian Tineges, “Pahami Metode Decision Tree Sebagai Algoritma Data Science,” Dqlab.Id. 2022. [Online]. Available:
https://dqlab.id/pahami-metode-decision-tree-sebagai-algoritma-data-science
[2] Badan Pusat statistik Jawa Tengah, “BPS Provinsi Jawa Tengah,” Badan Pusat statistik Jawa Tengah. 2021.
https://jateng.bps.go.id/statictable/2021/04/09/2239/produksi-perkebunan-rakyat-menurut-jenis-tanaman-di-jawa-tengah-
tahun-2016-2020-ton-.html
[3] Dinas Tenaga Kerja Provinsi Jawa Tengah, “E-Makaryo, Cari Kerja dari Rumah,” Disnakertrans Provinsi Jawa Tengah.
2021.
https://disnakertrans.jatengprov.go.id/publik/berita/NjIyOTMyMDAxZDBjYzE1YzQ3ZTNmMTFhM2VmYzMyMzAwN2
ZjMjdlMDM1NDlhNWE0ODdmMjZhMjNlZGNlNGY-
[4] H. F. Putro, R. T. Vulandari, and W. L. Y. Saptomo, “Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan,” J.
Teknol. Inf. dan Komun., vol. 8, no. 2, 2020, doi: 10.30646/tikomsin.v8i2.500.
[5] A. L. Maukar, F. Marisa, and A. A. Widodo, “Analisis Data Penerimaan Mahasiswa Baru Berbasis K-Means,” JIKO (Jurnal
Inform. dan Komputer), vol. 6, no. 2, p. 142, 2022, doi: 10.26798/jiko.v6i2.558.
[6] R. Annisa, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung,” J. Tek.
Inform. Kaputama, vol. 3, no. 1, pp. 22–28, 2019, [Online]. Available:
https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/141/156
[5] A. P. Permana, K. Ainiyah, and K. F. H. Holle, “Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes
untuk Prediksi Kesuksesan Start-up,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 6, no. 3, pp. 178–188, 2021, doi:
10.14421/jiska.2021.6.3.178-188.
[8] R. Yendra, L. Marifni, and I. Suryani, “Klasifikasi Data Mining Untuk Seleksi Penerimaan Calon Pegawai
Negeri Sipil Tahun 2017 Menggunakan Metode Naïve Bayes,” J. Sains Mat. dan Stat., vol. 6, no. 1, p. 65,
2020, doi: 10.24014/jsms.v6i1.9254.
[9] R. E. Putri, Suparti, and R. Rahmawati, “Perbandingan Metode Klasifikasi Naãve Bayes Dan K -Nearest Neighbor Pada
Analisis Data Status Kerja Di Kabupaten Demak Tahun 2012,” J. Gaussian, vol. 3, no. 4, pp. 831–838, 2014.
[10] B. A. Muktamar, N. A. Setiawan, and T. B. Adji, “Analisis Perbandingan Tingkat Akurasi Algoritma Naive Bayes Classifier
dengan Correlated-Naive Bayes Classifier,” Semin. Nas. Teknol. Inf. dan Multimed. 2015, pp. 49–54, 2015.
[11] Pratiwi, R. W., Nugroho, Y. S., 2016, Prediksi Rating Film Menggunakan Metode Naïve Bayes, Jurnal Teknik Elektro, No.
2, Vol. 8, Hal. 60 – 63.

226
 JURNAL TEKNOINFO
Volume 17, Nomor 1, Januari 2023, Page 219-227
ISSNi: .1693-0010(Print),iISSN:i2615-224X(Online)
Availableionlineiatihttps://ejurnal.teknokrat.ac.id/index.php/teknoinfo/indexi

[12] S. Rahayu, J. Jaya Purnama, H. Mahmud Nawawi, F. Septia Nugraha, I. Komputer, and S. Nusa Mandiri Jakarta, “Algoritma
Naïve Bayes Classifier Untuk Memprediksi Gejala Autism Spectrum Disorders Pada Anak-Anak,” Semin. Nas. Rekayasa
dan Teknol., vol. 27, no. November, 2019.
[13] M. Y. Putra and D. I. Putri, “Pemanfaatan Algoritma Naïve Bayes dan K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa
Kelas XI,” J. Tekno Kompak, vol. 16, no. 2, pp. 176–187, 2022.
[14] H. M. Nawawi, S. Rahayu, M. J. Shidiq, and J. J. Purnama, “Algoritma C4.5 Untuk Memprediksi Pengambilan Keputusan
Memilih Deposito Berjangka,” J. Techno Nuasa Mandiri, vol. 16, no. 1, pp. 65–72, 2019.
[15] J. J. Purnama, H. M. Nawawi, S. Rosyida, Ridwansyah, and Risandar, “Klasifikasi Mahasiswa Her Berbasis Algortima Svm
Dan Decision Classification of Her Students Based on Svm Algorithm and,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6,
pp. 1253–1260, 2020, doi: 10.25126/jtiik.202073080.
[16] Dunham, Margareth H., “Data Mining Introductory and Advanced Topics”. New Jersey:Prentice Hall. 2003.
[17] Basuki, Ahmad dan Syarif, Iwan, “Decision Tree”. Surabaya: Politeknik Electronika Negeri, 2003

227